Жашоодогу эң чоң сырлардын бирине – белоктун бүктөлүшүнө жооп берүү үчүн жасалма интеллектти колдоно алсакчы? Окумуштуулар мунун үстүндө ондогон жылдар бою иштеп келишет.
Машиналар азыр терең үйрөнүү моделдерин колдонуп, дары-дармектерди иштеп чыгууну, биотехнологияны жана фундаменталдык биологиялык процесстер жөнүндөгү билимибизди өзгөртүп, укмуштуудай тактык менен белок структураларын алдын ала айта алышат.
Жаңы технология жашоонун татаалдыгы менен кагылышкан AI протеининин бүктөлүшүнүн кызыктуу чөйрөсүн изилдөөгө мени менен кошулуңуз.
Протеиндердин бүктөлүшүнүн сырын ачуу
Белоктор денебизде тамак-ашты сындыруу же кычкылтек ташуу сыяктуу маанилүү иштерди аткаруу үчүн кичинекей машиналар сыяктуу иштешет. Ачкычты кулпуга туура кесүү керек болгондой эле, алар натыйжалуу иштеши үчүн туура бүктөлүшү керек. Протеин жаратылары менен абдан татаал бүктөлүү процесси башталат.
Протеиндин бүктөлүшү - бул протеиндин курулуш материалы болгон аминокислоталардын узун чынжырларынын белоктун функциясын башкарган үч өлчөмдүү структураларга бүктөлүшү.
Так формада буйрутмаланган мончоктордун узун саптарын карап көрөлү; бул белок бүктөлгөндө пайда болот. Бирок мончоктордон айырмаланып, аминокислоталар уникалдуу өзгөчөлүктөргө ээ жана бири-бири менен ар кандай жолдор менен өз ара аракеттенишип, белоктун бүктөлүшүн татаал жана сезгич бир процесске айландырышат.
Сүрөттө адамдын гемоглобини көрсөтүлөт, ал белгилүү бүктөлгөн протеин
Белоктор тез жана так бүктөлүшү керек, болбосо ката бүктөлүп, бузулуп калат. Бул Альцгеймер жана Паркинсон сыяктуу ооруларга алып келиши мүмкүн. Температура, басым жана клеткадагы башка молекулалардын болушу бүктөлүү процессине таасир этет.
Ондогон жылдар бою жүргүзүлгөн изилдөөлөрдөн кийин окумуштуулар дагы эле белоктордун кантип бүктөлөөрүн так аныктоого аракет кылып жатышат.
Бактыга жараша, жасалма интеллекттеги жетишкендиктер сектордогу өнүгүүнү жакшыртууда. Окумуштуулар протеиндердин түзүлүшүн колдонуу менен мурда болуп көрбөгөндөй так көрө алышат машинаны үйрөнүү алгоритмдери маалыматтардын массалык көлөмүн текшерүү үчүн.
Бул дары-дармектерди иштеп чыгууну өзгөртүүгө жана оору боюнча молекулярдык билимибизди жогорулатууга мүмкүнчүлүк берет.
Машиналар жакшыраак иштей алабы?
Кадимки протеинди бүктөөнүн ыкмаларында чектөөлөр бар
Окумуштуулар ондогон жылдар бою белоктун бүктөлүшүн аныктоого аракет кылып келишет, бирок процесстин татаалдыгы муну татаал темага айлантты.
Кадимки протеин структурасын болжолдоо ыкмалары эксперименталдык методологияны жана компьютердик моделдөөнүн айкалышын колдонот, бирок бул ыкмалардын бардыгынын кемчиликтери бар.
Рентгендик кристаллография жана ядролук магниттик резонанс (ЯМР) сыяктуу эксперименттик ыкмалар көп убакытты жана кымбатка турушу мүмкүн. Жана, компьютердик моделдер кээде туура эмес божомолдорго алып келиши мүмкүн болгон жөнөкөй божомолдорго таянышат.
AI бул тоскоолдуктарды жеңе алат
Бактыга жараша, Жасалма интеллект белоктун структурасын так жана эффективдуу болжолдоо учун жацы убадаларды берип жатат. Машина үйрөнүү алгоритмдери маалыматтардын чоң көлөмүн изилдей алат. Жана, алар адамдар сагынган үлгүлөрдү ачышат.
Бул белоктун түзүлүшүн теңдешсиз тактык менен алдын ала айтууга жөндөмдүү жаңы программалык куралдарды жана платформаларды түзүүгө алып келди.
Протеиндердин структурасын болжолдоо үчүн эң келечектүү машина үйрөнүү алгоритмдери
Google тарабынан курулган AlphaFold системасы Deepmind командасы бул жаатта эң келечектүү жетишкендиктердин бири болуп саналат. колдонуу менен акыркы жылдарда чоң ийгиликтерге жетишти терең үйрөнүү методдору аминокислота тизмегинин негизинде белоктордун түзүлүшүн болжолдоо.
Нейрондук тармактар, колдоочу вектордук машиналар жана кокус токойлор протеин түзүлүшүн алдын ала айтууга убада берген машинаны үйрөнүү ыкмаларынын арасында.
Бул алгоритмдер чоң маалымат топтомдорунан үйрөнө алат. Жана, алар ар кандай аминокислоталардын ортосундагы корреляцияны алдын ала билишет. Ошентип, анын кантип иштээрин карап көрөлү.
Ко-эволюциялык анализдер жана биринчи AlphaFold мууну
ийгилик AlphaFold ко-эволюциялык анализди колдонуу менен иштелип чыккан терең нейрон тармагынын моделине курулган. Ко-эволюция концепциясы эгер белоктун курамындагы эки аминокислота бири-бири менен өз ара аракеттенсе, алар функционалдык байланышын сактап калуу үчүн бирге өнүгүп кетээрин айтат.
Окумуштуулар көптөгөн окшош протеиндердин аминокислота тизмегин салыштырып, 3D структурасында кайсы жуп аминокислоталардын байланышта болушу мүмкүн экенин аныктай алышат.
Бул маалыматтар AlphaFold биринчи итерациясынын негизи болуп саналат. Ал аминокислота жуптарынын ортосундагы узундуктарды, ошондой эле аларды байланыштырган пептиддик байланыштардын бурчтарын болжолдойт. Бул ыкма белоктун түзүлүшүн ырааттуулук боюнча алдын ала айтууга чейинки бардык ыкмалардан ашып түштү, бирок тактык эч кандай ачык калыптары жок белоктор үчүн дагы эле чектелген.
AlphaFold 2: Радикалдуу жаңы методология
AlphaFold2 - DeepMind тарабынан түзүлгөн компьютердик программа, ал белоктун 3D түзүмүн болжолдоо үчүн белоктун аминокислота ырааттуулугун колдонот.
Бул маанилүү, анткени белоктун түзүлүшү анын иштешин аныктайт жана анын функциясын түшүнүү илимпоздорго протеинге багытталган дарыларды иштеп чыгууга жардам берет.
AlphaFold2 нейрон тармагы протеиндин аминокислота ырааттуулугун, ошондой эле ал ырааттуулуктун маалымат базасындагы башка тизмектер менен салыштырылганы тууралуу маалыматтарды (бул “ырааттуулукту тегиздөө” деп аталат) кириш катары алат.
Нейрондук тармак бул киргизүүнүн негизинде протеиндин 3D түзүлүшү жөнүндө божомол жасайт.
Ал AlphaFold2ден эмнеси менен айырмаланат?
Башка ыкмалардан айырмаланып, AlphaFold2 протеиндин 3D түзүмүн гана эмес, аминокислоталардын жуптары же аларды туташтырган байланыштар ортосундагы бурчтар (мурунку алгоритмдердей эле) деп болжолдойт.
Нейрондук тармак дароо толук структураны алдын ала билиши үчүн структура акырына чейин коддолгон.
AlphaFold2 дагы бир негизги өзгөчөлүгү, ал өзүнүн болжолуна канчалык ишенээрин болжолдоону сунуштайт. Бул күтүлгөн түзүмдө түс коддору катары берилген, кызыл түс жогорку ишенимди билдирет, ал эми көк түс төмөн ишенимди билдирет.
Бул пайдалуу, анткени ал илимпоздорго божомолдун туруктуулугу жөнүндө маалымат берет.
Бир нече ырааттуулуктун бириккен структурасын болжолдоо
Alphafold Multimer деп аталган Alphafold2 акыркы кеңейиши бир нече ырааттуулуктун бириктирилген түзүмүн болжолдойт. Мурунку ыкмаларга караганда алда канча жакшыраак иштесе дагы, жаңылыштык көрсөткүчтөрү жогору. 25 протеин комплексинин 4500% гана ийгиликтүү алдын ала айтылган.
Байланыш түзүүнүн орой аймактарынын 70% туура болжолдонгон, бирок эки белоктордун салыштырмалуу багыты туура эмес болгон. Медианалык тегиздөө тереңдиги болжол менен 30 ырааттуулуктан аз болгондо, Alphafold мультимердик божомолдорунун тактыгы кыйла төмөндөйт.
Alphafold болжолдоолорду кантип колдонсо болот
AlphaFold'дун болжолдонгон моделдери ошол эле файл форматтарында сунушталат жана эксперименталдык структуралар сыяктуу эле колдонулушу мүмкүн. Түшүнбөстүктөрдү болтурбоо үчүн модель менен сунушталган баалардын тактыгын эске алуу абдан маанилүү.
Бул өзгөчө татаал структуралар үчүн пайдалуу, мисалы, бири-бирине токулган гомомерлер же протеиндер бар болгондо гана бүктөлгөн.
белгисиз лиганд.
Кээ бир кыйынчылыктар
Прогноздук структураларды колдонуудагы негизги көйгөй - протеинге жана биофизикалык маалыматтарга жетпестен динамикасын, лиганддардын селективдүүлүгүн, контролун, аллостериясын, трансляциядан кийинки өзгөрүүлөрүн жана кинетикасын түшүнүү.
машина үйрөнүү жана физикага негизделген молекулярдык динамикалык изилдөө бул көйгөйдү чечүү үчүн колдонулушу мүмкүн.
Бул изилдөөлөр адистештирилген жана натыйжалуу компьютер архитектурасынан пайда көрүшү мүмкүн. AlphaFold протеин структураларын алдын ала айтууда эбегейсиз ийгиликтерге жетишкени менен, структуралык биология тармагында үйрөнө турган көп нерсе бар жана AlphaFold болжолдоолору келечектеги изилдөө үчүн баштапкы чекит гана болуп саналат.
Башка көрүнүктүү куралдар кайсылар?
RoseTTAFold
Вашингтон университетинин изилдөөчүлөрү тарабынан түзүлгөн RoseTTAFold протеин структураларын алдын ала айтуу үчүн терең үйрөнүү алгоритмдерин колдонот, бирок ал ошондой эле болжолдонгон структураларды жакшыртуу үчүн “бурулуу бурчтун динамикасынын симуляциялары” деп аталган жаңы ыкманы камтыйт.
Бул ыкма бекемдээрлик натыйжаларды берди жана учурдагы AI белок бүктөлүүчү куралдардын чектөөлөрүн жоюу үчүн пайдалуу болушу мүмкүн.
trRosetta
Башка бир курал trRosetta протеиндин бүктөлүшүн a нейрон тармак миллиондогон белок ырааттуулугу жана структуралары боюнча үйрөтүлгөн.
Ал ошондой эле максаттуу протеинди салыштырылуучу белгилүү структураларга салыштырып, так болжолдоолорду түзүү үчүн "шаблонго негизделген моделдөө" ыкмасын колдонот.
trRosetta кичинекей протеиндердин жана белок комплекстеринин структураларын алдын ала айтууга жөндөмдүү экени далилденген.
DeepMetaPSICOV
DeepMetaPSICOV - протеин менен байланыш карталарын болжолдоого багытталган дагы бир курал. Булар белоктун бүктөлүшүн болжолдоо үчүн колдонмо катары колдонулат. Ал колдонот терең билим алуу белоктун ичиндеги калдыктардын өз ара аракеттенүү ыктымалдыгын болжолдоо үчүн ыкмалар.
Булар кийин жалпы байланыш картасын болжолдоо үчүн колдонулат. DeepMetaPSICOV протеин түзүмдөрүн, мурунку ыкмалар ишке ашпай калса да, чоң тактык менен болжолдоо мүмкүнчүлүгүн көрсөттү.
Келечек кандай болот?
AI протеининин бүктөлүшүнүн келечеги жаркын. Терең үйрөнүүгө негизделген алгоритмдер, айрыкча AlphaFold2, протеин структураларын ишенимдүү болжолдоодо жакында чоң ийгиликтерге жетишти.
Бул табылга окумуштууларга жалпы дарылоо максаттары болгон белоктордун түзүмүн жана функциясын жакшыраак түшүнүүгө мүмкүндүк берүү аркылуу дары-дармектерди иштеп чыгууну өзгөртүү мүмкүнчүлүгүнө ээ.
Ошого карабастан, протеиндик комплекстерди болжолдоо жана болжолдонгон структуралардын реалдуу функционалдык абалын аныктоо сыяктуу маселелер сакталып турат. Бул маселелерди чечүү жана AI протеин бүктөлүүчү алгоритмдердин тактыгын жана ишенимдүүлүгүн жогорулатуу үчүн көбүрөөк изилдөө талап кылынат.
Ошентсе да, бул технологиянын потенциалдуу пайдалары абдан чоң жана ал эффективдүү жана так дарыларды чыгарууга мүмкүндүк берет.
Таштап Жооп